计及多个风电机组出力相关性的配电网无功优化EI北大核心CSCD

针对含多个风电机组的配电网无功优化问题,利用场景分析法处理风电机组出力的不确定性和负荷的随机波动。采用拉丁超立方采样产生多个场景,考虑多个风电机组风速间的相关性,利用Cholesky分解对生成的场景进行重新排序。以有功网损期望值最小为目标函数,以节点电压、支路功率以及电容器投切组数为约束条件,建立配电网无功优化模型。采用鸡群优化算法求解模型,并在改进的IEEE 69节点配电网算例中进行仿真,研究了风电机组出力相关性对无功优化结果的影响,结果证明了所提无功优化模型和方法的可行性。通过无功优化,能够有效地提高配电网的电压水平并减少网络损耗,对配电网的安全经济运行具有重要意义。     

计及多个风电机组出力相关性的配电网无功优化

针对含多个风电机组的配电网无功优化问题,利用场景分析法处理风电机组出力的不确定性和负荷的随机波动。采用拉丁超立方采样产生多个场景,考虑多个风电机组风速间的相关性,利用Cholesky分解对生成的场景进行重新排序。以有功网损期望值最小为目标函数,以节点电压、支路功率以及电容器投切组数为约束条件,建立配电网无功优化模型。采用鸡群优化算法求解模型,并在改进的IEEE 69节点配电网算例中进行仿真,研究了风电机组出力相关性对无功优化结果的影响,结果证明了所提无功优化模型和方法的可行性。通过无功优化,能够有效地提高配电网的电压水平并减少网络损耗,对配电网的安全经济运行具有重要意义。     

多负荷水平下含风电接入的配电网无功优化

由于风电输出功率的随机性,风电机组的大量接入给配电网无功优化带来更多不确定性因素。为了提高配电网无功优化对风力发电并网的适应能力,建立了多负荷水平下基于场景分析的考虑风电接入的多目标无功优化模型。该模型综合考虑了节省电能损失费用和节点电压偏差2个指标,将2个指标进行模糊化,采用最大化模糊满意度指标法将多目标优化问题转换为单目标优化问题,然后采用自适应遗传算法进行求解。并以IEEE 33节点测试系统为例,计算和分析了在不同场景时最大负荷、一般负荷和最小负荷3种负荷水平下,电容器投切、系统有功损耗、节点电压以及节省电能费用情况。计算结果表明,所提出的无功模糊优化方法,在不同负荷水平、不同场景下改善电压质量和降损节能效果显著,适合多负荷水平下含风电机组的配电网无功优化需要。     

基于混沌并行差分进化算法的含风电配电网无功优化

将风电机组接入配电网,其出力的间歇性、随机性使得传统无功优化模型不再适用。为此,采用场景分析法对双馈异步发电机（doubly fed induction generator,DFIG）的出力情况进行探讨,建立了含DFIG的配电网无功优化场景模型。考虑DFIG的灵活无功调节能力,建立以降低系统网损、抑制电压波动为综合目标的模糊无功优化模型。通过蒙特卡罗仿真对配电网系统进行无功补偿选址,采用带反馈的混沌并行差分进化算法（chaotic parallel differential evolution algorithm with feedback,CPDEF）求解含DFIG的配电网无功优化问题。通过IEEE 33节点系统对所提出的无功优化模型进行仿真计算,结果表明系统网损得以明显降低,电压水平明显改善,并证明了所提方法的可行性和有效性。     

基于改进粒子群算法含双馈风电机组配网无功优化研究

针对风电机组并网后对配电网无功补偿产生的影响,从双馈风电机组自身的有功、无功输出特性出发,基于场景概率的方法计算风力机组出力情况,以网损最小为目标函数寻求优化求解方法。利用改进粒子群算法来实现系统接入双馈风电机组后的无功优化,在Matlab 2013b软件中构造IEEE33节点模型并利用该算法求解。结果表明,双馈风电机组在参与系统无功优化时具有良好的性能,验证了该改进算法的有效性。     

含风电机组的配网无功优化

研究了分布式电源中发展较为成熟的风力发电机组并网后配电网的无功优化问题,提出一种基于场景发生概率的无功优化综合指标,该指标由网损和静态电压稳定裕度两部分构成。基于该指标,提出一种新的无功优化模型。在该模型中,提出风电机组输出功率典型场景的选取策略,无功优化潮流计算中考虑了风电机组的特点,将其作为电压静特性节点处理。在求解方法上,采用基于自适应权重的遗传算法求解。算例表明,提出的模型和算法是可行的,对风电系统的运行具有一定的参考价值。     

计及风光出力相关性的配电网多目标无功优化EI北大核心CSCD

风电-光伏机组的大量接入对传统的无功优化模型提出了新的挑战。提出了计及风光出力相关性的配电网多目标无功优化模型,采用粒子群优化神经网络(particle swarm algorithm-BP neural network,PSO-BP)依据过去天气预报和风电出力的历史数据训练得到风电预测出力曲线,利用综合场景概率法生成光伏出力曲线。用斯皮尔曼相关系数将风光之间的出力相关性量化,再考虑风机和光伏机组共同参与无功优化。采用多目标粒子群算法(multi-obj ective particle swarm optimization,MOPSO)求解模型,以改进的IEEE 33节点配电网系统作为仿真样本,求得兼顾网损和电压偏差的Pareto最优解集,从中选择最优方案。算例结果验证了风光出力相关性对无功优化的影响,以及分布式电源接入配电网能有效降低网损和提高节点电压。在实际运行中,各地区的风光出力均满足一定的自然规律,可以以斯皮尔曼相关系数大小为参考依据,实现分布式电源(distributed generation,DG)和静止无功补偿装置(static var compensator,SVC)的协同优化运行,为配电网的安全经济运行保驾护航。     

计及风光出力相关性的配电网多目标无功优化

风电-光伏机组的大量接入对传统的无功优化模型提出了新的挑战。提出了计及风光出力相关性的配电网多目标无功优化模型,采用粒子群优化神经网络(particle swarm algorithm-BP neural network,PSO-BP)依据过去天气预报和风电出力的历史数据训练得到风电预测出力曲线,利用综合场景概率法生成光伏出力曲线。用斯皮尔曼相关系数将风光之间的出力相关性量化,再考虑风机和光伏机组共同参与无功优化。采用多目标粒子群算法(multi-obj ective particle swarm optimization,MOPSO)求解模型,以改进的IEEE 33节点配电网系统作为仿真样本,求得兼顾网损和电压偏差的Pareto最优解集,从中选择最优方案。算例结果验证了风光出力相关性对无功优化的影响,以及分布式电源接入配电网能有效降低网损和提高节点电压。在实际运行中,各地区的风光出力均满足一定的自然规律,可以以斯皮尔曼相关系数大小为参考依据,实现分布式电源(distributed generation,DG)和静止无功补偿装置(static var compensator,SVC)的协同优化运行,为配电网的安全经济运行保驾护航。     

含风电场的配电网无功优化策略研究

针对传统的配电网无功优化调节手段离散化、难以实现电压的连续调节等问题,研究了含风电场的配电网无功优化模型和算法,分析了双馈感应电机的无功发生能力,将风电场作为连续的无功调节手段参与配电网无功优化。并针对风电出力随机性的特点,用场景功率描述风电的随机出力,使之更具代表性。考虑了配电网的网损、电压偏差以及电压稳定性指标,建立了多目标无功优化模型。提出了基于量子粒子群算法(QPSO)的无功优化方法,该算法通过波函数描述粒子的状态,增加了种群的多样性,有效地避免了种群早熟等问题。用该算法对改进的IEEE33节点进     

含分布式光伏发电的配电网电压越界调节策略

针对含高渗透分布式光伏发电的配电网电压越限问题,可充分利用并网光伏逆变器的无功调压能力。提出2种接入中低压配电网的分布式光伏发电的输出电压调节策略,第1种策略基于各光伏发电接入节点的电压-功率灵敏度,根据电压越界程度选择灵敏度大的光伏发电节点,调整其无功输出,当仍不能满足电压要求时,部分场景可以继续调整其有功输出;第2种策略以有功网损最小为目标,对配电网中各分布式光伏发电的无功和有功出力进行优化,在保证电压越界得到有效调节的同时,实现配电网经济运行。通过IEEE 33节点系统进行两种场景的模拟,验证分析了2种策略的有效性。     

基于改进遗传算法的风电场多目标无功优化

针对风电场并网运行的多目标无功优化和电压稳定问题,建立了基于异步发电机内部等值电路的含风电场的电力系统无功优化模型,提出了风电场无功优化的目标函数和约束条件。结合非支配排序思想、精英保留策略、改进的小生境技术,得到了一种将向量模适应度函数作为淘汰准则的改进Pareto遗传多目标优化算法。以某风电场接入IEEE 14节点标准测试系统为例,将改进算法用于含风电场的电力系统无功优化。仿真结果表明,应用改进的遗传多目标优化算法可以同时得到多组Pareto最优解,为决策者提供了更多的选择余地,使风电场并网点母线电压在允许范围内。     

基于动态云进化粒子群算法的风电系统无功优化方法

针对风电系统中,风力的不确定性导致粒子的适应度不稳定性较大、劣性粒子偏多,难以快速收敛到最优值,进而造成系统电压偏差较大,网损剧增的问题,提出了基于动态云进化粒子群算法对风电系统进行无功优化。首先以网损最小作为优化目标建立了风电系统无功优化模型。然后提出动态云进化粒子群算法。该算法根据粒子的适应度值,选取优秀个体进行进化,从而降低劣性粒子比例,增强搜索速度。再通过云发生器,使得优秀个体进化出的优秀种群趋于正态分布,从而达到改善粒子分布的目的。在此基础上,根据正态云的分布特点,动态改变飞行速度,进一步改善粒子分布、提高搜索精度。最后以风电系统的有功网损为优化目标,进行补偿容量的确定,仿真结果证明了该方法的有效性。     

基于改进HPSO算法的风电场内部无功优化研究

双馈风电机组(DFIG)是当前风电场的主流机型之一,具有有功功率和无功功率可解耦控制的优点。将风电场中每一台DIFG机组作为单独的连续无功源,以每台DIFG机组无功出力为控制变量,把双馈风电场内部有功网损设为目标函数建立无功优化模型。为了减少风电场内部有功网损并稳定节点电压,在基本粒子群(PSO)算法的基础上引入了自适应权重和遗传算法中的杂交概念,提出了一种混合PSO算法,并将该方法应用于风电场内部无功优化模型求解。以华北地区某风电场为例,在MATLAB软件中采用改进HPSO算法对所建立的无功优化模型进行了求解,求解结果与基本PSO算法和线性递减权重的PSO算法相比,改进HPSO算法收敛速度更快且结果更优,验证了文中模型和算法的正确性。     

Optimal controllers designs for automatic reactive power control in an isolated wind-diesel hybrid power system

The paper presents the bacterial foraging optimization algorithm (BFOA) and particle swarm optimization (PSO) algorithm based robust controllers for voltage deviations due to the variation of reactive power in an isolated wind-diesel hybrid power system. The isolated wind-diesel system consists of wind energy conversion system (WECS) utilizing a permanent magnet induction generator (PMIG). Further, a synchronous generator (SG) is used with the diesel engine set for power generation. The mismatch between generated and consumed reactive power in the system causes voltage fluctuations, which will occur at generator terminals. These oscillations further causes reduction in the stability and quality of the power supply. The static synchronous compensator (STATCOM) and an automatic voltage regulator (AVR) are used to suppress voltage fluctuations in an isolated wind-diesel hybrid power system. The STATCOM is used as a reactive power compensator and the AVR is used to keep the terminal voltage constant for the synchronous generator. Both STATCOM and AVR are having proportional and integral (PI) controllers with single input. In modeling for the system, a normalized co-prime factorization is applied to show the possible unstructured uncertainties in the power system such as variation of system parameters and generating and loading conditions. The performance and robust stability conditions of the control system are formulated as the optimization problem, which is based on the Hα loop shaping. BFOA and PSO algorithms are implemented to solve this optimization problem and to achieve PI control parameters of STATCOM and AVR simultaneously. In order to show the efficiency of the proposed controllers, the performance of the proposed controllers is compared with the performance of the conventional controller and genetic algorithm (GA) based PI controllers for the same wind-diesel system. The dynamic responses of the system for four different small-disturbance case studies has been carried out in MATLAB environment.     

分散式风电场不同时间等级的多目标无功优化控制

针对具有一定动态无功调节能力的双馈式风力发电机组构成的分散式风电场,为解决其经济稳定运行,提出一种包含风功率预测的不同时间尺度多目标无功优化控制方法。考虑风速变化相关性分组-单机预测风电机组无功输出情况,通过风电机组和SVC共同补偿电网无功需求;根据风电预测无功功率信息,采用多目标无功控制快速有效调节其输出功率以跟踪无功补偿指令。为减少风电场内设备动作次数,选取不同时间级的控制,目标为分钟级无功控制以有功网损最小为优化目标,秒级的无功控制以电压偏差最小、电压稳定裕度最大、短时闪变最小为综合优化目标,毫秒级的无功控制以机组变流器的瞬间最大无功支撑能力为优化目标进行无功分配。工程算例证明所提策略有效的降低网损、提高电压支撑能力并保证电网正常的运行。     

含固态变压器新型配电网动态无功多目标优化

风机和光伏电池等分布式电源(distributed generator, DG)大量接入配电网会导致电压波动和网损增大等问题,需要对动态无功进行优化。但是由于风光存在的不确定性会影响动态无功优化的效果,因此提出了一种含固态变压器新型配电网动态无功多目标优化方法。首先,通过 Weibull 分布和 Beta 分布对风速和光照强度进行曲线拟合,再采用风机和光伏电池出力公式生成 DG 出力模型。其次,通过蒙特卡洛仿真抽样法对上述模型进行抽样,生成上千个DG日出力场景,并采用k-means 聚类算法将上千个场景聚类成k个典型场景,以缩短随机潮流计算时间。再次,以IEEE33 节点系统为基础,建立含固态变压器有源配电网方案和含有载调压变压器有源配电网方案,以日内网损和电压波动最小为目标,采用改进型多目标灰狼算法对两种方案的相关参数进行优化。最后,以优化后的相关参数进行仿真和对比,证明了所提方法在降低配电网网损和维持节点电压稳定方面的优越性。     

双馈风电机群并网系统时变最优潮流的优化追踪方法

针对风力发电功率不确定性引起的风电系统并网点及内部节点的电压协调控制在优化速度上难以追随的问题,建立了双馈风电机群并网系统时变最优潮流的优化追踪模型,并给出了模型的在线快速求解方法.在实时量测、通信技术使风电系统可观测的前提下,该模型和求解方法着眼于极短优化周期内风电系统状态量变化微小的特点,通过保留泰勒展开一阶项使模型线性化,得到时变的线性优化模型,实现模型的毫秒级求解,从而实时追求风电系统的最优潮流状态.该方法利用双馈感应发电机有功、无功功率间时变的调节范围,协调各机组的有功、无功功率输出,以挖掘双馈风电机群电力电子化技术下的快速调控潜力.对某实际双馈风电机群并网系统进行算例分析,分析结果表明该方法能够有效缓解并网点和内部节点的电压问题,实现风电系统的时变最优潮流追踪.     

搜寻者优化算法在含风电机组系统最优潮流中的应用

针对风力发电机组并网后电力系统的最优潮流(OPF)问题,将搜寻者优化算法(SOA)应用到最优潮流计算模型之中。通过分析风力发电机的稳态数学模型,根据功率守恒原理,得到异步风电机组有功无功出力的表达式,考虑到风电机组的特点,将其作为电压静特性节点处理。建立综合系统经济性和安全性的最优潮流计算的目标函数,该目标函数由网损和静态电压稳定裕度两部分组成,并将搜寻者优化算法运用到最优潮流模型的求解中,并制定该算法的计算流程。算例表明,提出的模型和算法是可行的。